ИТМО обновил роли в своей AI-магистратуре и фактически признал: привычная ставка на ML Engineer уже не покрывает то, что рынок будет нанимать через два года. Для русскоязычной IT-аудитории это важный сигнал: AI Engineer все чаще нужен не как человек, который умеет обучить модель, а как специалист, который доводит ИИ до рабочего продукта, метрик и продакшена.
Об этом сообщает Habr / Карьера со ссылкой на Дмитрия Ботова, руководителя AI Talent Hub в ИТМО. Программу четыре года назад запускали вместе с сооснователем Napoleon IT Павлом Подкорытовым как проектную среду без единой жесткой траектории. За это время, по оценке команды, через нее прошло более 250 студентов, еще свыше 500 учатся сейчас, конкурс составляет 7 человек на место при 215 бюджетных местах. Среди партнерских задач названы X5 Tech, МТС, Альфа-Банк и Ozon, а 61% студентов уже занимают позиции Middle и выше. По опросу выпускников, у 36% карьерный рост произошел еще во время обучения.
Главная причина пересборки программы довольно приземленная: рынок ИИ меняется быстрее, чем университетские стандарты и карьерные ярлыки. Раньше внутри магистратуры было четыре базовые роли: ML Engineer, Data Analyst, Data Engineer и AI Product Engineer. Теперь этой сетки, по версии ИТМО, уже недостаточно. В вузе считают, что компании платят не просто за умение работать с моделями, а за способность встроить ИИ в конкретный бизнес-сценарий: внутренний ассистент, поиск по документам, обработку обращений, отчетность, автоматизацию процессов. То есть спрос смещается от исполнителя отдельной ML-задачи к человеку, который собирает систему целиком.
У этого сдвига, как описывает Ботов, есть три причины. Первая: foundation-модели стали массово доступны по API, и многим компаниям больше не нужно обучать модель с нуля под каждую задачу. Вторая: ИИ-системы по природе вероятностные, а значит, им нужны постоянные evals, мониторинг и контроль качества, особенно если они влияют на бизнес-решения. Третья: вход в профессию стал жестче. В статье приводится оценка SignalFire: к 2025 году найм новых выпускников в Big Tech сократился более чем на 50% по сравнению с 2019-м. Простые аналитические и инженерные задачи все чаще автоматизируются, поэтому от начинающих специалистов ждут уже не только SQL или базового кода, а умения поставить задачу, проверить ответ модели и отвечать за итоговый результат.
Какие роли выходят вперед
Новая карта ролей в AI Talent Hub опирается на пять устойчивых групп. Первая и, судя по тону статьи, любимая для авторов — AI Product Engineer. Это человек на стыке продукта и инженерии, который понимает не только модель, но и экономику сценария: где у компании реальная проблема, какой эффект нужно получить и зачем вообще здесь ИИ. В ИТМО утверждают, что именно этот гибридный профиль будет дорожать быстрее других, потому что стоимость реализации снижается, а цена ошибки в выборе бизнес-кейса, наоборот, растет.
Вторая роль — собственно AI Engineer, но уже в новом смысле. Не «человек, который пишет промпты», а инженер, который собирает агентные workflow, RAG-пайплайны, системы оценки, мониторинг деградации и следит за токен-экономикой. Узкие специализации вроде Prompt Engineer, Context Engineer или RAG Engineer, по мысли автора, не исчезают совсем, а растворяются внутри более широкой профессии. На рынке, особенно в крупных компаниях, такие названия действительно постепенно уступают место более общим ролям вроде AI Engineer или Applied AI Engineer.
Третья роль, на которую в статье сделан отдельный акцент, — Forward-Deployed Engineer. Это инженер, который работает почти как спецназ между бизнесом и разработкой: сам выясняет, где болит, переводит размытый запрос в архитектуру, собирает решение end-to-end и доводит его до эффекта в метриках. В качестве российского примера приводится X5 Tech, где уже нанимают Forward Deployed Engineer уровня Middle+ и Senior. Для крупного бизнеса это, пожалуй, одна из самых практичных идей из всей статьи: ИИ-пилоты давно никого не впечатляют, а вот люди, которые умеют протащить решение через данные, безопасность, процессы и сопротивление организации, действительно дефицитны.
Четвертая группа — AI Researcher, то есть исследовательский трек для тех, кто работает с pretraining, post-training, RLHF, alignment и interpretability. Авторы не пытаются продавать его как массовую карьеру: прямо говорят, что вакансий мало, требования высокие, а конкуренция жесткая. В российском контексте перечислены AIRI, DeepPavlov, ИСП РАН, МФТИ, ВШЭ, МГУ, Сколтех, ИТМО и Иннополис. Пятая группа — старые знакомые ML Engineer, Data Engineer и Data Analyst. Они никуда не исчезают, но перестают быть изолированными профессиями. Для них, по версии ИТМО, теперь критична готовность работать рядом с ИИ-слоем: vector DB, embeddings, retrieval-пайплайны и вообще data readiness, без которой агентная автоматизация будет просто масштабировать бардак.
Что это значит для рынка
Если убрать образовательную упаковку, статья ИТМО описывает довольно неприятную для части рынка вещь: массовая роль «чистого исполнителя» сужается. Чистый аналитик, чистый программист, чистый ML-инженер без понимания продукта, качества данных и бизнес-контекста выглядит все менее убедительно. Зато растут гибридные профили, где техника сочетается либо с продуктовым мышлением, либо с работой с заказчиком, либо с исследовательской дисциплиной. Для работодателей это удобная логика: меньше узких людей на интерфейсах между командами, больше специалистов, которые могут не только собрать demo, но и отвечать за внедрение.
Для разработчиков и аналитиков вывод тоже довольно конкретный. Если вы уже в профессии, одного апгрейда «освоил новый фреймворк для агентов» будет мало. Придется учиться проектировать оценку качества, понимать ограничения данных, считать стоимость сценария и разговаривать с бизнесом без переводчика. Если вы только входите в рынок, плохая новость в том, что простого входа почти не осталось. Хорошая — портфолио реальных проектов, где видно, что вы доводили AI Engineer-задачу до результата, начинает весить больше, чем табличка с названием роли в резюме.
Сам ИТМО под это меняет и внутреннюю механику программы. В новой версии у студента есть семь ролей, четыре трека — индустриальный, научный, стартап и образовательный — и больше 80 курсов, которые подбираются не по логике «пройди все подряд», а под конкретный проект. На защите, как подчеркивает Ботов, уже недостаточно показать, что система просто работает. Нужно доказать эффект: для бизнеса, продукта или исследования. По сути, университет пытается встроить в учебный процесс то, что компании давно требуют от боевых команд: не демонстрацию технологии, а измеримый результат.
Самый интересный вопрос здесь даже не в том, приживутся ли именно эти названия ролей. С названиями рынок вообще обращается без сантиментов. Важнее другое: если ИТМО прав, то через пару лет AI Engineer в России будут оценивать не по количеству собранных пайплайнов и не по ловкости работы с API, а по способности связать модель, данные, продукт и деньги в одну работающую систему. Для части специалистов это повышение ставки. Для остальных — конец уютной эпохи, когда можно было спрятаться за названием должности.